[发明专利]能量优化的虚拟机部署方法及系统

说明书

公开了一种能量优化的虚拟机部署方法及系统。该方法包括：步骤1：确定虚拟机部署目标及其约束条件；步骤2：确定部署解计算初始化参数；步骤3：进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；步骤5：确定食物源、领导者与追随者，获得更新种群；步骤6：计算更新种群中每一个樽海鞘个体的适应度，确定食物源；步骤7：重复步骤5‑6，输出当前种群中的食物源位置作为最终的虚拟机部署最优解。本发明通过樽海鞘的群体寻优模型，平衡迭代过程中的勘探行为和开发行为，在保证全局性和多样性的同时，实现能量优化的虚拟机部署效果。

技术领域

本发明涉及云计算、智能群体算法领域，更具体地，涉及一种能量优化的虚拟机部署方法及系统。

背景技术

云计算可以通过其灵活性、安全性、高度可扩展性以及服务质量的保证为数据中心拥有者克服传统计算模式的本地化计算方式的不足。它可以配置大量不同类型的异构服务器，服务器上可进一步利用虚拟化技术部署大量的虚拟机，利有虚拟机实现服务提供时应用的隔离。虚拟机同样拥有不同的负载类型和对各维度资源不同的需求，这可能导致资源利用与主机高能耗之间的矛盾。主机的高能耗会导致云计算运营成本的增加，同时会对环境产生不利影响。而高能耗与主机资源的利用率又是密切相关的。因此，如何进行高能效的虚拟机部署将是云计算必须解决的问题。

智能群体算法是求解最优化问题的典型算法，其中，粒子群算法、遗传算法、蚁群算法、蜂群算法以及引力搜索算法均已经在云计算环境中的虚拟机部署问题中有所应用，能耗问题作为其中一个优化目标已经拥有很多阶段性成果，但由于这类元启发式算法的本身固有局限，如陷入局部最优以及依赖过多的初始参数等，使得基于能耗的虚拟机部署优化问题已经具有某此局限性，需要性能更好的元启发式算法对这一问题进行优化求解。因此，有必要开发一种能量优化的虚拟机部署方法及系统。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种能量优化的虚拟机部署方法及系统，其能够通过樽海鞘的群体寻优模型，充分平衡樽海鞘群体迭代过程中的勘探行为和开发行为，在保证全局性和多样性的同时，实现能量优化的虚拟机部署效果。

根据本发明的一方面，提出了一种能量优化的虚拟机部署方法。所述方法可以包括：步骤1：确定虚拟机部署目标及其约束条件；步骤2：确定部署解计算初始化参数；步骤3：通过樽海鞘算法进行种群初始化，使樽海鞘个体与虚拟机的部署解一一对应；步骤4：根据虚拟机部署目标及其约束条件，计算初始化种群中每一个樽海鞘个体的适应度；步骤5：根据适应度，确定食物源、领导者与追随者，进而确定领导者位置与追随者位置，获得更新种群；步骤6：计算所述更新种群中每一个樽海鞘个体的适应度，确定适应度值最大的樽海鞘个体，判断所述樽海鞘个体的适应度值是否大于所述食物源的适应度值，若是，则将该樽海鞘个体作为新的食物源；若否，则保留原食物源；步骤7：判断当前迭代次数是否小于最大迭代次数，若是，则重复步骤5-6，若否，则输出当前种群中的食物源位置作为最终的虚拟机部署最优解。

优选地，部署解计算初始化参数包括：最大迭代次数T_max、虚拟机集合V、物理主机集合H、主机的资源能力矢量、虚拟机的资源请求矢量、主机的满载功耗和空闲功耗。

优选地，所述虚拟机部署目标为：

其中，P_i,full表示主机h_i为满负载状态时的功耗，P_i,idle表示主机h_i为空闲状态时的功耗，P_i表示主机h_i的当前功耗，U_i,CPU为主机h_i的CPU利用率。